Uczenie maszynowe i sztuczna inteligencja pomagają przewidywać wyniki reakcji chemicznych

Uczenie maszynowe i sztuczna inteligencja pomagają przewidywać wyniki reakcji chemicznych

Istnieją obecnie pewne problemy, których sztuczna inteligencja i uczenie maszynowe nie są w stanie rozwiązać. Naukowcy z Narodowego Uniwersytetu w Jokohamie wykorzystują tę nowoczesną funkcję, aby przezwyciężyć problemy, których nie są w stanie pokonać tradycyjne metody.

Stworzona przez nas aplikacja internetowa przeznaczona do użytku przez chemików doświadczalnych. Pobierz obliczony plik za pomocą dostępnego na rynku oprogramowania i można przeprowadzić analizę stanu elektronicznego. Pracujemy nad stworzeniem platformy, która umożliwi chemikom na całym świecie analizowanie ich układów reakcyjnych.

Jeśli chodzi o reakcję cząsteczek zawierających węgiel (lub organicznych), należy pamiętać o kilku zasadach. Określ położenie grup w cząsteczce, która oddziałuje z otoczeniem, rozmiar, kształt i położenie cząsteczki oraz cząsteczkę, z którą oddziałuje. Wynik danej reakcji może być bardzo różny w zależności od tych i wielu innych czynników, a przewidzenie tych wyników okazało się głównym wyzwaniem w dziedzinie chemii. Kontrolowanie wyniku jest absolutnie niezbędnym elementem procesu syntezy chemicznej, ale przewidywania nie zawsze są wystarczające. Na szczęście uczenie maszynowe i sztuczna inteligencja (AI) mogą ponownie pomóc w przyspieszeniu postępu, przewidując szybkość lub selektywność danej reakcji. Dlatego technologia ta może być przydatna w przewidywaniu, jakiego produktu się spodziewać.

Naukowcy opublikowali swoje odkrycia w czasopiśmie Journal of Chemical Information and Modeling 9 kwietnia.

W chemii organicznej liczy się każdy szczegół. Dwa typowe obszary, które mogą wpływać na interakcję cząsteczki z innymi cząsteczkami, to ciała sztywne i orbitale. Statyka odnosi się do rozmieszczenia cząsteczek, a efekty steryczne mogą determinować kształt cząsteczki i interakcję. Może to wynikać z rozmiaru lub ładunku pojedynczej cząsteczki lub atomu. Orbitale pozwalają wyjaśnić najbardziej prawdopodobną pozycję elektronów, które z kolei mogą oddziaływać z innymi cząsteczkami lub atomami, powodując reakcje. Czynniki te mogą się radykalnie zmienić, gdy nukleofil, czyli reagent oddający elektrony, może związać się z cząsteczką akceptora. Nazywa się to „selektywnością” i w zależności od tego, gdzie cząsteczka się wiąże, w rezultacie mogą powstać różne produkty lub wydajności pożądanego produktu. Naukowcy wykorzystują sztuczną inteligencję i uczenie maszynowe, a także istniejącą wiedzę na temat reakcji chemicznych, aby lepiej wyjaśnić te aspekty selektywności molekularnej.

READ  DESI tworzy największą i najbardziej szczegółową mapę wszechświata w historii

„Aby określić, jakie informacje można wykorzystać jako podstawowe informacje chemiczne przekazywane AI, konieczne jest połączenie wiedzy chemicznej z wiedzą o sztucznej inteligencji i uczeniem maszynowym” – powiedział korespondent Hiroaki Gotoh, profesor nadzwyczajny w Yokohama College of Engineering. Uniwersytet Narodowy.

Po pierwsze, komputer musiał otrzymać pewne informacje, z których mógł się uczyć. Do zainicjowania procesu nauczania sztucznej inteligencji wykorzystano informacje z literatury z zakresu chemii obliczeniowej oraz informacje z poprzednich badań. Po ręcznym wprowadzeniu danych dla konkretnych zastosowanych cząsteczek i ustaleniu optymalnych parametrów, przeprowadzono analizę danych w oparciu o oczekiwane wyniki dla zbioru danych testowych. Analizy te pozwalają sztucznej inteligencji uczyć się i przewidywać przyszłe wybory na podstawie już znanych informacji. „Ta metoda pozwala na bardziej kompleksową analizę i interpretację mechanizmów reakcji poprzez obliczenie parametrów pola sferycznego, które naśladują podejście nukleofilowe” – powiedział Daimon Sakaguchi, pierwszy autor badania na Wydziale Chemii i Nauk Przyrodniczych Uniwersytetu Narodowego w Jokohamie.

W badaniu pomyślnie wyjaśniono selektywność 323 reakcji ośmiu nukleofili, na podstawie której „powierzchnia” cząsteczki wytworzy pożądaną ilość produktu. Selektywność zmienia się w zależności od steryczności cząsteczki, a także jej parametrów orbitalnych. Naukowcy odkryli, że w przypadku niektórych cząsteczek czynnik orbitalny jest ważniejszy w określaniu selektywności twarzy, a w przypadku innych jest bardziej zależny od właściwości cząsteczki podczas interakcji z jej nukleofilem.

Połączenie technologii predykcyjnej i uczenia maszynowego z solidną wiedzą chemiczną może prowadzić do lepszych wyników reakcji chemicznych i pomóc chemikom w prostszej syntezie produktów naturalnych i chemikaliów farmaceutycznych.

Elise Haynes

„Analityk. Nieuleczalny nerd z bekonu. Przedsiębiorca. Oddany pisarz. Wielokrotnie nagradzany alkoholowy ninja. Subtelnie czarujący czytelnik.”

Rekomendowane artykuły

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *